CN114355206A - 一种基于相似性度量的储能电池无监督故障诊断算法 - Google Patents

Abstract

本发明提供了基于相似性度量的储能电池无监督故障诊断算法，属于储能电池故障诊断领域。解决了现有自主实现无法高效率串联电池组故障检测与定位等问题。本储能电池充放电过程的信号监测、采集、汇总，构建无监督故障诊断数据集；对采集到的信号进行清洗，去除异常点，同时构建滤波器，以抑制采样中混入的噪声；根据充放电过程的信号特性，构建每个单体电池的关键点序列；提取监测信号的分段趋势项特征，将完整的监测信号分割为时间片段，进行分段线性化；构建单体电池离群值计算模块；实现多个标准的信息融合，得到离群程度，作为发生故障的重要衡量指标，进而判别故障电池。实现快速排查故障电池，提供维修建议优点。

Description

一种基于相似性度量的储能电池无监督故障诊断算法

技术领域

本发明涉及储能电池故障诊断领域，尤其涉及一种基于相似性度量的储能电池无监督故障诊断算法。

背景技术

推动新型储能快速发展是支撑新型电力系统的重要技术和基础装备。

储能在电源侧能够保障新能源高效消纳利用，为电力系统提供容量支撑及一定调峰能力；在电网侧能够提升大规模高比例新能源及大容量直流接入后系统灵活调节能力和安全稳定水平；在电网末端及偏远地区，建设储能或风光储电站，提高电网供电能力；移动式或固定式储能能够提升应急供电保障能力或延缓输变电升级改造需求；在分布式新能源、微电网、大数据中心、5G基站、充电设施、工业园区等用户侧，融合储能形成新的应用场景。

新型储能系统大多数采用锂电池电芯作为基本单元，储能电池的成组方式是由多个电池电芯串并联成一个模组，多个模组串并联成电池簇，多个电池簇并联形成的一个电池系统单元。这个电池系统单元包含了几千个电池电芯。在电源侧、电网侧和有些用户侧的大型储能电站中会由多个上述的电池系统单元组成，在这样一个由成千上万的电池电芯组成的系统中，有一个电芯出现故障都会给整个系统的安全、稳定、高效运行带来一定的影响。因此电池电芯健康状态的诊断显得尤为重要。

目前针对储能电池故障诊断的方法大多数基于电池整体或者是某一簇电池的运行情况，很少基于电池电芯的分析。大量的电池电芯，锂电池的充放电特性以及重返点的环境因素都给电池故障诊断带来困难。本专利提供一种基于相似性度量的储能电池无监督故障诊断算法，用于自主实现高效率和高精度的串联电池组故障检测与定位，快速排查故障电池，提供维修建议。

发明内容

本发明提供一种储能电池电芯故障识别与诊断方法、装置与系统，主要目标是，在无人监控的条件下，自主实现高效率和高精度的储能电池电芯故障检测与定位，快速排查故障电池，提供维修建议。为实现上述目标，本发明提供了一种储能电池电芯的无监督故障诊断算法，所述方法可应用于分布式数据采集和分析终端，所述技术方案包括：

S1、储能电池充放电过程的信号监测、采集、汇总，构建无监督故障诊断数据集；

S2、对采集到的信号进行清洗，去除因传感器波动、操作环境突变等因素引起的异常点，同时利用滑动平均法构建滤波器，以抑制采样中混入的噪声。每隔一个采样时间，滑动时间窗口向前滑动一次，时间窗的长度为L，采样数为n，因此共滑动n-L 次。

S3、根据充放电过程的信号特性，根据极大(小)值点、拐点等时序特征，构建每个单体电池的关键点序列；

由于串联电池组的监测信号是离散信号，因此计算其一阶差分和二阶差分，取一阶差分和二阶差分为零的时刻作为关键点，从而构建由极大(小)值和拐点组成的关键点序列。

S4、提取监测信号的分段趋势项特征。基于每个单体电池的关键点序列，将完整的监测信号分割为若干时间片段。进行分段线性化，在每个时间片段上，用线性函数代替原本的非线性信号，将各时间片段内的斜率作为趋势项，最终构建每个单体电池的趋势项序列。

S5、基于相似性分析原理，构建单体电池离群值计算模块，该模块能够衡量每一单体电池与其余电池在充放电过程中的离群程度，为此构建以下三个离群度量子模块；

S501、构建欧氏距离子模块。针对某一单体电池，逐一计算其监测信号与其他所有电池的二范数，取平均值作为该单体电池在欧氏距离标准下的离群值。

S502、构建关键点分布子模块。针对某一单体电池，利用动态时间规整方法，逐一计算其关键点序列与其他所有电池的距离，取平均值作为该单体电池在关键点分布标准下的离群值。

S503、构建趋势项差异子模块。针对某一单体电池，利用动态时间规整方法，逐一计算其趋势特征序列与其他所有电池的距离，取平均值作为该单体电池在趋势项差异标准下的离群值。

S6、将三个标准视作三个不同的基本概率分配函数，某电池存在故障视作基本假设空间，进而利用D-S证据理论，实现多个标准的信息融合，得到每个单体电池相较于其他单体电池的离群程度，作为发生故障的重要衡量指标；若离群值超过某一设定阈值，则判定该电池故障。

采用以上技术方案后，本发明的基于相似性度量的储能电池无监督故障诊断算法，与现有技术相比，具有以下优点：

本方法基于距离进行两两单体电池间的相似性度量，计算开销小，鲁棒性好，易于工程实现；构建多个离群度量标准，从电池的充放电阶段、实时电量等多角度捕捉电池特征，有效提高了时序信息的提取能力；针对不同单体电池存在的特征差异，引入动态时间规整，本方法对于不同的电池对象和充放电场景有较强的适应能力；本方法属于无监督学习，不仅可以在无需人工标定的前提下捕捉充放电阶段、电池实时状态等因素，而且能够在故障样本未知的情况下识别异常电池，实现在线诊断。

本发明的其他特征和优点将在随后的说明书中阐述。

附图说明

图1是本发明实施例基于相似性度量的总流程图。

图2是实施例的原始监测信号图。

图3是实施例在基于欧氏距离标准下的离群值曲线示意图。

图4是实施例的原始监测信号经一阶导数后的曲线示意图。

图5是实施例的原始监测信号经二阶导数后的曲线示意图。

图6是本发明在实施例上经D-S证据理论进行信息融合后得到的最终结果。

具体实施方式

以下结合附图和实施例对本发明作进一步说明。

S1、采集若干充放电周期内电池组的电压信号，包含正常电池和故障电池的数据。假设所检测电池组包含m个单体电池，在若干充放电周期内共有n个采样样本，构建电池组的监测矩阵X＝[X₁，X₂，…，X_n]∈R^n×m,其中

X_i∈R^m，i＝1，2，m，X_·j∈Rⁿ，j＝1，2，…，n。

S2、将数据矩阵接入异常值处理模块，该模块能够实监测信号的滤波、平滑。针对t时刻的监测信号，异常值处理模块构建时间窗W_t，时间窗长度为L，故窗内包含数据[X_t-L，X_t-L+2，…，X_t-1]。针对每一个单体电池的监测信号，由于存在噪声、传感器突变等原因，需要对信号作平滑处理，以去除异常点，同时对于电池在充放电阶段因状态变化所产生的时变性因素，需要尽可能多地予以保留。首先计算时间窗内信号的均值

和标准差

其中i＝1，2，...，m。根据68–95–99.7法则，落在窗口内信号均值3倍标准差内的概率为99.73％，因此定义均值的上下3倍标准差构成了当前时刻信号的正常范围。

对于t时刻，该时刻的正常范围为

处于区间外的信号值将被视为异常点，若t时刻的监测信号x_ij大于上界，则以上界代之，若小于下界，则以下界代之，若监测信号x_ij正常范围内，则以滑动平均值代之，即

时间窗在全部数据上滑动，共滑动n-L次，得到平滑后的信号，后续所指的信号均为平滑后的信号。

S3、为了提取信号的时序规律，构建特异时刻点序列，其能够体现实际电池对象在充放电过程中处于充电状态还是放电状态，以及充放电过程中从快速到慢速阶段的改变。

针对每一单体电池j及其监测信号x_j，计算每一时刻的一阶差分

和二阶差分

对于得到的一阶差分矩阵F和二阶差分矩阵G，根据矩阵F和矩阵G第k列中值为零的对应时刻，构成了第k个监测信号的特异时刻点序列

其中 N_k为第k个监测信号的特异时刻点个数。

定义关键点为特异时刻点序列中的孤立点，即特异时刻点p_m是关键点，当且仅当p_m-p_m-1＞1。若p_m-p_m-1＝1，则舍弃该特异时刻点。遍历P_i,可得第k个监测信号的关键点序列

其中M_k为第k个监测信号的特异时刻点个数。类似地，其余监测信号的关键点序列可以按上述步骤得出。

S4、提取监测信号的分段趋势项特征。根据每个单体电池的关键点序列，将完整的监测信号分割为M_k+1个时间片段。为方便起见，记第j个单体电池的监测信号x_j为C∈Rⁿ,其关键点序列

在第i个时间片段上，用线性函数代替原非线性信号以实现分段线性化。线性函数的表达式为

其中斜率

若时间片段涉及两个端点，则以端点值代替。对于第一个时间片段，

对于第 M_j+1个时间片段，

最终构建了第j个单体电池的趋势项序列为

类似地，可以构建电池组中其余单体电池的趋势项序列。

S5、构建单体电池离群程度的计算模块，该模块分为3个如下子模块。

S501、离群值计算模块一：计算基于欧式距离的单体电池离群程度。针对某一单体电池j及其监测信号X_j∈Rⁿ,与另一单体电池k的离群程度为

欧氏距离标准下，单体电池j的离群程度定义为与其他所有单体电池的离群程度的平均值，即

其中softmax(·)为归一化指数函数，

S502、离群值计算模块二：计算基于关键点分布的单体电池离群程度。针对某一单体电池j及其关键点序列

与另一单体电池k的离群程度为D_jk＝Distance(T_j,T_k)

其中Distance(·，·)是利用动态时间规整方法所得距离。不同于欧氏距离，动态时间规整方法能够衡量两个长度不一致的时间序列之间的距离。关键点分布标准下，单体电池j的离群程度定义为与其他所有单体电池的离群程度的平均值，即

S503、离群值计算模块三：计算基于趋势项分布的单体电池离群程度。与动态时间规整标准类似，针对某一单体电池j及其趋势项序

与另一单体电池k的离群程度为Tiend_jk＝Distance(T_i,T_k)，其中 Distance(·，·)是利用动态时间规整方法所得距离。趋势项分布的标准下，单体电池j的离群程度定义为与其他所有单体电池的离群程度的平均值，即

三个离群值计算模块的输出分别为三个矩阵E，D，Trend，矩阵维度与实际信号的特性有关。

S6、根据D-S证据理论，构建离群值融合模块，其作用是融合三个不同标准下的离群值，有效克服三个标准存在出入而带来的决策困难。记三个标准分别为m₁，m₂和m₃，对应的离群值为E，D，Trend，电池组中的电池为B₁,B₂,…,B_N,它们构成了识别框架Θ＝{B₁，B₂，...，B_N},其中N是单体电池的数量，m_i(B_j)为第i个标准下单体电池B_j的离群程度，由于softmax函数的输出特性，满足

显然有

离群值融合模块首先计算归一化常数，对于

归一化常数计算公式为

则对于某一单体电池B_i，离群值融合模块按下式计算其在三个标准下离群值的融合结果，计算方法为

离群值融合模块的输出是单体电池B_i的故障概率，即融合后的结果为

若某一单体电池的故障概率超过设定阈值50％，则判定其出现故障，并将建议信息传入人机交互系统。

本实施例利用合肥某BMS系统监测数据对基于相似性度量的储能电池无监督故障诊断算法进行验证。具体过程如下：

(1)BMS采集电池组若干次充放电过程中的电压信号，共计216个单体电池，1439个样本；

(2)故障电池在充放电过程中，其电压信号存在异常升高、高位保持等特征，与正常电池存在一定差异，如附图2所示。因此可以通过提取关键点、趋势项等特征，对电池状态进行数学描述，如附图3-5所示。

(3)附图6为故障诊断的结果。电池组中单体电池BMS2N4U007的故障概率明显高于其他电池，超过阈值50％，因此判定其出现故障。本技术方案下，故障电池的BMS2N4U007 的故障概率远远高于其他正常电池，诊断结果具有很高的置信度。

Claims (11)

1.一种基于相似性度量的储能电池无监督故障诊断算法，其特征在于，包括如下步骤：

S1、储能电池充放电过程的信号监测、采集、汇总，构建无监督故障诊断数据集；

S2、对采集到的信号进行清洗，去除因传感器波动、操作环境突变因素引起的异常点，同时利用滑动平均法构建滤波器，以抑制采样中混入的噪声；

S3、根据充放电过程的信号特性，根据极大(小)值点、拐点时序特征，构建每个单体电池的关键点序列；

S4、提取监测信号的分段趋势项特征，基于每个单体电池的关键点序列，将完整的监测信号分割为若干时间片段，进行分段线性化；

S5、基于相似性分析原理，构建单体电池离群值计算模块，包含三个离群度量子模块；

S6、利用D-S证据理论，实现多个标准的信息融合，得到每个单体电池相较于其他单体电池的离群程度，作为发生故障的重要衡量指标，进而判别故障电池。

2.根据权利要求1所述的一种基于相似性度量的储能电池无监督故障诊断算法，其特征在于，在步骤S1中，具体包括以下步骤：

S101、利用电压传感器采集若干充放电周期内电池组的电压信号；

S102、所检测电池组包含m个单体电池，在若干充放电周期内共有n个采样样本，构建电池组的监测矩阵。

3.根据权利要求1所述的一种基于相似性度量的储能电池无监督故障诊断算法，其特征在于，在步骤S2中，具体包括以下步骤：

S201、计算局部信号的均值、标准差，构建当前时刻监测信号的正常范围；

S202、对落在正常范围外的监测信号进行平滑处理。

4.根据权利要求3所述的一种基于相似性度量的储能电池无监督故障诊断算法，其特征在于，在步骤S201中，利用时间窗构建时间序列片段，以反映局部特征以去除异常点，时间窗W_t包含数据

[X_t-L，X_t-L+2，...，X_t-1] (1)

其中L为时间窗的长度，时间窗每次向后推移一个时刻。

5.根据权利要求1所述的一种基于相似性度量的储能电池无监督故障诊断算法，其特征在于，在步骤S3中，具体包括以下步骤：

S301、根据单体电池监测信号的极值点、拐点，分别构建矩阵F和G，据此得到特异时刻点序列；

S302、根据特异时刻点序列，构建第k个单体电池的关键点序列

6.根据权利要求5所述的一种基于相似性度量的储能电池无监督故障诊断算法，其特征在于，在步骤S301中，针对离散信号，利用一阶差分

和二阶差分

以获得极值点、拐点，进而根据极值点、拐点为零得到特异时刻点。

7.根据权利要求5所述的一种基于相似性度量的储能电池无监督故障诊断算法，其特征在于，在步骤S302中，遍历特异时刻点序列，搜索序列中在时间维度上的孤立点，得到第k个监测信号的关键点序列

8.根据权利要求1所述的一种基于相似性度量的储能电池无监督故障诊断算法，其特征在于，在步骤S4中，具体包括以下步骤：

S401、根据步骤S3得到的关键点序列，将监测信号分割若干片段，在每一片段上用线性函数代替原非线性信号以实现分段线性化；

S402、提取各线性函数的斜率，以反映每个时序片段上的趋势，构成分段趋势项特征序列。

9.根据权利要求1所述的一种基于相似性度量的储能电池无监督故障诊断算法，其特征在于，在步骤S5中，利用多种离群值标准，分别构建单体电池离群程度的计算模块，计算每一单体电池的离群值，具体包括以下步骤：

S501、根据欧式距离标准，逐一计算每个单体电池的离群值；

S502、根据关键点分布标准，逐一计算每个单体电池的离群值；

S503、根据趋势项分布标准，逐一计算每个单体电池的离群值。

10.根据权利要求9所述的一种基于相似性度量的储能电池无监督故障诊断算法，其特征在于，在步骤S501中，针对某一单体电池的监测信号,与另一单体电池k的离群程度用欧式距离衡量，最后通过归一化函数映射为离群值，即

其中欧氏距离的计算方法为

11.根据权利要求9所述的一种基于相似性度量的储能电池无监督故障诊断算法，其特征在于，在步骤S502中，针对某一单体电池的监测信号,与另一单体电池k的离群程度用关键点分布衡量，最后通过归一化函数映射为离群值，即

其中D_jk＝Distance(T_j，T_k)。根据权利要求9所述的一种基于相似性度量的储能电池无监督故障诊断算法，其特征在于，在步骤S503中，针对某一单体电池的监测信号,与另一单体电池k的离群程度用趋势项分布衡量，最后通过归一化函数映射为离群值，即

其中Trend_jk＝Distance(T_j，T_k)。根据权利要求1所述的一种基于相似性度量的储能电池无监督故障诊断算法，其特征在于，在步骤S6中，引入D-S证据理论融合多个离群值标准，综合计算每一单体电池的离群值，具体包括以下步骤：

S601、根据三个标准的定义及其离群值，构建电池组故障诊断的辨识框架；

S602、构建离群值融合模块，分别融合每一个单体电池三个标准下的离群值，输出故障概率；

S603、根据故障概率和设定阈值，判定电池是否出现故障。

Images